CN110356976A - 基于模板匹配的港口无人集卡起重机精确对位系统及方法 - Google Patents

Abstract

本发明公开了一种基于模板匹配的港口无人集卡起重机精确对位系统及方法，其中，系统包括精确定位装置、对位计算机以及无人集卡控制器；精确定位装置，与无人集卡控制器连接，用于实时采集当前集卡的点云观测数据；对位计算机，与无人集卡控制器连接，用于基于预设的起重机特征模板和扩展卡尔曼滤波方法，得到集卡实际位置与集卡目标位置之间的误差的对位结果；无人集卡控制器，用于根据对位结果中的集卡实际位置与集卡目标位置之间的误差将集卡与起重机进行精确对位；本发明能够应用于无人集卡，实现无人集卡和起重机的精确对位，提高了港口的货物运输效率，减少港口运输的人为干预，提高安全性。

Description

基于模板匹配的港口无人集卡起重机精确对位系统及方法

技术领域

本发明涉及集卡定位技术领域，尤其涉及一种基于模板匹配的港口无人集卡起重机精确对位系统及方法。

背景技术

随着国际物流业的高速发展，世界范围内集装箱港口的数量与吞吐量持续攀升，港口内的作业强度也不断增加并趋于饱和，传统技术中以有人驾驶的集卡为主的码头水平运输方式越来越难以满足当下对作业效率和强度的需求，港口无人集卡便在这种环境下应运而生。以无人驾驶技术为核心的港口无人集卡在与码头业务对接过程中，如何实现集卡与桥式起重机的精准对位，是保证其能否真正实用的关键条件，对无人集卡在码头实现规模化运营有着重要价值。

现有码头的对位系统与对位策略均为面向有人驾驶的集卡，采用在起重机上加装摄像头、激光雷达的感知方式，通过感知集卡的位置，并将行驶过程中的偏差或集卡目标位置通过显示屏或扬声器告知集卡司机，实现对集卡的引导，再由司机控制集卡实现对位，而这类方式操作复杂且本身并不适用于无人集卡。

授权公告号为CN103324198B的发明专利公开了一种基于计算机视觉技术的集卡定位自动引导系统，包括安装有图像处理软件的主控机、能够实时连接拍摄的摄像设备、用于储存和提供待操作箱信息的服务器以及用于提示司机操作的显示牌，主控机与服务器连接并根据指令从服务器获取信息，主控机由图像处理软件预先设定集卡车定位目标特征及其理论位置，摄像设备摄取现场图像获取目标特征及其实时位置并传输至主控机，由主控机中的图像处理软件对目标特征的实时位置与理论位置进行比较分析，比较结果通过显示牌显示，司机根据显示牌提示完成集卡车定位。该系统只能应用于有人驾驶的集卡，且在实际应用中，由于天气、环境光照等因素的不同，摄像头及图像软件受曝光、阴影、反射光等的影响，容易造成对位不稳定的情况，对全天候作业存在一定影响。

授权公告号为CN104528531B的发明专利公开了一种集装箱码头RTG、RMG下集卡对位引导系统及方法，采用激光扫描测距仪、LED显示屏和扩音器、高速嵌入式控制器等部件，实现RTG/RMG下集卡对位的自动精确引导。高速嵌入式控制器将激光扫描测距仪沿平行于集装箱车道中心线对集卡车架或者车架上的集装箱进行二维扫描所测数据进行转换、计算、轮廓识别，并据此判断集卡的位置及离龙门吊基准起吊点的偏差距离，同时把集卡偏离起吊点方向、距离信息显示在LED显示屏上，提示集卡司机提前调整集卡停车位置。该系统只能应用于有人驾驶的集卡，且在实际应用过程中，由于系统测量频率、LED显示屏刷新率的问题，导致显示屏显示的提示信息有一定延迟，造成司机在控制集卡的过程中需要对对位提示信息有一定预判(例如在显示屏显示的数值接近目标数值时提前停车，以免因显示延迟造成晚停车的情况)，导致在实际使用时效率提升有限，并且需要司机具备一定经验后才能有迅速效地调整集卡位置。

现有技术中的集卡定位均需要人为辅助完成，且定位准确性不高，难以应用于无人集卡，因此港口无人集卡和起重机精确对位方法是函待解决的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种无需人员辅助完成的集卡定位，且定位准确性高，能够应用于无人集卡，实现无人集卡和起重机的精确对位的基于模板匹配的港口无人集卡起重机精确对位系统及方法。

一种基于模板匹配的港口无人集卡起重机精确对位系统，所述系统包括安装在集卡上的精确定位装置、对位计算机以及无人集卡控制器；

所述精确定位装置，与所述无人集卡控制器连接，用于实时采集当前集卡的点云观测数据；

所述对位计算机，与所述无人集卡控制器连接，用于基于预设的起重机特征模板与所述点云观测数据进行匹配，得到对应的起重机特征模板；获取外部港口作业调度系统向目标作业集卡发送的目标作业信号，将所述目标作业信号转换为所述起重机特征模板下的集卡目标位置；通过扩展卡尔曼滤波方法对点云观测数据和集卡目标位置进行融合定位，得到集卡实际位置与集卡目标位置之间的误差的对位结果；并将所述对位结果反馈给无人集卡控制器；

所述无人集卡控制器，用于根据所述对位结果中的集卡实际位置与集卡目标位置之间的误差将集卡与起重机进行精确对位。

在其中一个实施例中，所述精确定位装置包括激光雷达、惯性测量装置以及里程表传感器；

所述激光雷达，通过支架水平安装于集卡顶部的中间位置，与所述对位计算机连接，用于探测在当前集卡下起重机的位置点云，将所述位置点云传输至所述对位计算机；

所述惯性测量装置，设置在集卡内部，与所述对位计算机连接，用于采集当前集卡的惯性信息，将所述惯性信息传输至所述对位计算机；

所述里程表传感器，设置在集卡内部，与所述对位计算机连接，用于采集当前集卡的里程信息，将所述里程信息传输至所述对位计算机。

在其中一个实施例中，所述系统还包括外部智能码头TOS系统；

所述外部智能码头TOS系统，与每个所述对位计算机连接，用于通过TOS指令控制每个所述对位计算机运行。

相应的，本发明还提供一种基于模板匹配的港口无人集卡起重机精确对位方法，所述方法包括：

通过精确定位装置实时采集当前集卡的点云观测数据；

基于预设的起重机特征模板与所述点云观测数据进行匹配，得到对应的起重机特征模板和集卡在起重机特征模板下的虚拟位置；

获取外部港口作业调度系统向目标作业集卡发送的目标作业信号，将所述目标作业信号转换为所述起重机特征模板下的集卡目标位置；

通过扩展卡尔曼滤波方法对点云观测数据和集卡目标位置进行融合定位，得到集卡实际位置与集卡目标位置之间的误差的对位结果；

根据所述对位结果中的集卡实际位置与集卡目标位置之间的误差将集卡与起重机进行精确对位。

在其中一个实施例中，所述通过精确定位装置实时采集当前集卡的点云观测数据，包括：

通过精确定位装置中的激光雷达、惯性测量装置以及里程表传感器实时采集当前集卡的点云观测数据。

在其中一个实施例中，所述通过扩展卡尔曼滤波方法对点云观测数据和集卡目标位置进行融合定位，得到集卡实际位置与集卡目标位置之间的误差的对位结果，包括：

通过扩展卡尔曼滤波方法将虚拟位置与对点云观测数据中的惯性信息和里程信息进行融合，将点云匹配结果滤波器的观测值更新，将惯性信息与里程信息结合集卡的运动模型作为滤波器状态预测，融合得到滤波后的起重机坐标系下的集卡实际位置；

将所述集卡实际位置转换为与集卡目标位置之间的误差的对位结果。

在其中一个实施例中，还包括预先设置起重机特征模板；具体的包括：

通过所述精确定位装置采集在集卡在沿预设作业路线运行过程中的起重机空间点云数据；

利用迭代最近点算法对起重机空间点云数据进行离线配准，构建采集过程中集卡行径所涉及环境的全局点云地图信息；并对所述全局点云地图信息进行剔除，得到只包含起重机的起重机点云地图数据；通过对起重机点云地图数据进行旋转平移，构建起重机坐标系的相关关系；

对所述起重机点云地图数据进行特征提取，并计算所述起重机点云地图数据空间正态分布特征，得到起重机特征模板。

在其中一个实施例中，所述方法还包括；

在得到起重机特征模板后，将所述起重机特征模板存储至对位计算机。

在其中一个实施例中，所述利用迭代最近点算法对起重机空间点云数据进行离线配准，构建采集过程中集卡行径所涉及环境的全局点云地图信息，包括：

a、以集卡的起始位置为坐标系原点，将所述精确定位装置中激光雷达采集的第一帧位置点云添加到当前坐标系内，作为全局点云地图初始；

b、将激光雷达的后续观测帧利用ICP配准与全局点云地图进行配准，得到与已建立的全局点云地图之间的相对位置关系；

c、以当前位置为激光雷达对应帧的全局位置，将当前帧激光雷达的位置点云加入到全局点云地图中，并更新全局点云地图；

d、重复步骤b和c，直到将采集的位置点云全部处理完毕，得到整个采集过程中集卡行径所涉及环境的全局点云地图信息。

10、如权利要求9所述的基于模板匹配的港口无人集卡起重机精确对位方法，其特征在于，所述计算所述起重机点云地图数据空间正态分布特征，包括：

以特定尺度栅格化起重机点云地图数据所处空间；

对符合条件的空间栅格内的点云地图数据，计算其三维正态分布参数，得到对应空间栅格的特征的参数。

与现有技术相比，本技术方案具有以下优点：

本发明提供的基于模板匹配的港口无人集卡起重机精确对位系统及方法，利用安装在集卡上的精确定位装置实时采集当前集卡的点云观测数据；再通过对位计算机基于预设的起重机特征模板和扩展卡尔曼滤波方法，得到集卡实际位置与集卡目标位置之间的误差的对位结果；最后通过无人集卡控制器，根据对位结果将集卡与起重机进行精确对位。本发明能够应用于无人集卡，实现无人集卡和起重机的精确对位，提高了港口的货物运输效率，减少港口运输的人为干预，提高安全性。

附图说明

图1为一实施例中基于模板匹配的港口无人集卡起重机精确对位系统的结构示意图；

图2为一实施例中集卡在起重机下作业的示意图；

图3为一实施例中集卡的结构示意图；

图4为一实施例中基于模板匹配的港口无人集卡起重机精确对位方法的流程示意图；

图5为另一实施例中基于模板匹配的港口无人集卡起重机精确对位方法的详细流程示意图。

图中：100、精确定位装置；110、激光雷达；200、对位计算机；300、无人集卡控制器。

具体实施方式

以下结合附图，对本发明上述的和另外的技术特征和优点进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的部分实施例，而不是全部实施例。

请参阅图1和图2，本发明实施例一提供的基于模板匹配的港口无人集卡起重机精确对位系统，包括安装在集卡上的精确定位装置100、对位计算机200以及无人集卡控制器300；精确定位装置100，与无人集卡控制器300连接，用于实时采集当前集卡的点云观测数据；对位计算机200，与无人集卡控制器300连接，用于基于预设的起重机特征模板与点云观测数据进行匹配，得到对应的起重机特征模板；获取外部港口作业调度系统向目标作业集卡发送的目标作业信号，将目标作业信号转换为起重机特征模板下的集卡目标位置；通过扩展卡尔曼滤波方法对点云观测数据和集卡目标位置进行融合定位，得到集卡实际位置与集卡目标位置之间的误差的对位结果；并将对位结果反馈给无人集卡控制器300；无人集卡控制器300，用于根据对位结果中的集卡实际位置与集卡目标位置之间的误差将集卡与起重机进行精确对位。

具体的，在集装箱港口，具有若干起重机、无人集卡以及无人集卡控制器300。每台起重机都具有与其对应的预先设置的起重机特征模板。且无人集卡在工作过程中，根据其目标作业信号能够自动匹配到对应的起重机特征模板。每辆无人集卡上均有精确定位装置100和对位计算机200。通过精确定位装置100和对位计算机200的处理，能够精确获得集卡和起重机的相对位置关系。于其他实施例中，起重机可以是岸桥或场桥得集装作业的事物，对此并不进行限制。

一个无人集卡控制器300可以控制集装箱港口中所有的无人集卡，都是受限于无人集卡控制器300的控制范围和数据处理性能，在集装箱港口中，可以分布设置多个无人集卡控制器300，控制一个在集装箱港口的多个无人集卡。在一个实施例中，无人集卡控制器300可以设置在起重机上。无人集卡控制器300通过其内部的无线通讯模块与对位计算机200无线通讯连接。

本发明提供的基于模板匹配的港口无人集卡起重机精确对位系统，利用安装在集卡上的精确定位装置100实时采集当前集卡的点云观测数据；再通过对位计算机200基于预设的起重机特征模板和扩展卡尔曼滤波方法，得到集卡实际位置与集卡目标位置之间的误差的对位结果；最后通过无人集卡控制器300，根据对位结果将集卡与起重机进行精确对位。本发明能够应用于无人集卡，实现无人集卡和起重机的精确对位，提高了港口的货物运输效率，减少港口运输的人为干预，提高安全性。

下面对各部件进行详细说明。

在一个实施例中，精确定位装置可以包括激光雷达110、惯性测量装置以及里程表传感器。

如图3所示，激光雷达110通过支架水平安装于集卡顶部的中间位置，与对位计算机连接，用于探测在当前集卡下起重机的位置点云，将位置点云传输至对位计算机。激光雷达110通过支架水平安装于车顶中间位置，能够确保激光雷达110与集卡间为刚性连接，减少由于集卡抖动对激光雷达110观测产生的影响，激光雷达110支架高度需确保激光雷达110扫描线不被车顶部分遮挡。

惯性测量装置设置在集卡内部，与对位计算机连接，用于采集当前集卡的惯性信息，将惯性信息传输至对位计算机。

里程表传感器，设置在集卡内部，与对位计算机连接，用于采集当前集卡的里程信息，将里程信息传输至对位计算机。里程表传感器就是以测转速的原理来测量轮子的转速，根据轮子的直径，每一个测速周期为轮子转一圈，以累加轮子转过的周期数计算出行走的里程。在一个实施例中，里程表传感器可以由车载轮速计替换，可以在车轮转动时提供相应时间内的脉冲计数或车速信息，经标定后可以获得较为准确的集卡里程信息。

上述激光雷达110、惯性测量装置以及里程表传感器均可以通过线缆与对位计算机相连，将位置点云、惯性信息以及里程信息传输给对位计算机；提高点云观测数据的采集精度，从而增加对位的准确性。

对位计算机根据表征具体的作业需求(装箱大小、停车位置)的目标作业信号，以起重机特征模板的数据为参照，结合当前集卡精确定位装置采集的点云观测数据，找到集卡现有状态下的虚拟位置，将集卡位置转换为装卸作业时的对位误差，即集卡距离目标位置的距离与角度偏差(Δx,Δy,Δθ)，发送给无人集卡控制器，无人集卡通过底层控制器对期望位置与实际位置间的误差调节控制器动作实现对位操作。集装箱装卸作业结束后，对位计算机退出对位模式，回到候选搜索与匹配模式，直到进入下一起重机下方作业。

在一个实施例中，在图1实施例的基础上，还包括外部智能码头TOS系统；外部智能码头TOS系统，与每个对位计算机连接，用于通过TOS指令控制每个对位计算机运行。外部智能码头TOS系统与对位计算机无线通讯连接。本发明可以直接与现有的外部智能码头TOS系统兼容运行，降低现有集卡码头的改造成本。

在一个实施例中，在图1所示基于模板匹配的港口无人集卡起重机精确对位系统的实施例基础上，本发明还提供如图4所示的一种基于模板匹配的港口无人集卡起重机精确对位方法，包括以下步骤：

S100、通过精确定位装置实时采集当前集卡的点云观测数据；

S200、基于预设的起重机特征模板与点云观测数据进行匹配，得到对应的起重机特征模板和集卡在起重机特征模板下的虚拟位置；

S300、获取外部港口作业调度系统向目标作业集卡发送的目标作业信号，将目标作业信号转换为起重机特征模板下的集卡目标位置；

S400、通过扩展卡尔曼滤波方法对点云观测数据和集卡目标位置进行融合定位，得到集卡实际位置与集卡目标位置之间的误差的对位结果；

S500、根据对位结果中的集卡实际位置与集卡目标位置之间的误差将集卡与起重机进行精确对位。

需要说明的是，步骤S100是基于精确定位装置实现，步骤S200-S400是基于对位计算机实现，而步骤S500是基于无人集卡控制器实现。通过上述步骤以实现无人集卡和起重机的精确对位，提高了港口的货物运输效率，减少港口运输的人为干预，提高安全性。

下面结合图5对基于模板匹配的港口无人集卡起重机精确对位方法的详细流程进行说明。

在一个实施例中，预先设置起重机特征模板；使步骤S200中能够取到准确的起重机特征模板。

那么预先设置起重机特征模板具体的包括以下步骤：

S610、通过精确定位装置采集在集卡在沿预设作业路线运行过程中的起重机空间点云数据。

其中的精确定位装置包括不限于激光雷达、惯性测量装置以及里程表传感器。集卡沿预设作业路线运行过程指的是，装有精确定位装置的无人集卡，在进入起重机下方前开始采集，到完全驶离起重机下方位置后停止采集，由此得到完整的起重机空间点云数据。那么起重机空间点云数据即为位置点云、惯性信息以及里程信息等数据。

S620、利用迭代最近点算法(Iterative Closest Point,ICP)对起重机空间点云数据进行离线配准，构建采集过程中集卡行径所涉及环境的全局点云地图信息；并对全局点云地图信息进行剔除，得到只包含起重机的起重机点云地图数据；通过对起重机点云地图数据进行旋转平移，构建起重机坐标系的相关关系。

具体包括以下步骤；

a、以集卡的起始位置为坐标系原点，将精确定位装置中激光雷达采集的第一帧位置点云添加到当前坐标系内，作为全局点云地图初始。

b、将激光雷达的后续观测帧利用ICP(迭代最近点算法)配准与全局点云地图进行配准，得到与已建立的全局点云地图之间的相对位置关系。即集卡在全局点云地图的坐标系下的位置。其中，ICP的具体步骤为：

1)、已知全局点云地图的点集M和采集得到的起重机空间点云数据的点集D，根据集卡状态估计由D到M的初始变换(旋转和平移)，将D应用初始变换得到M点集坐标系下的数据点集D’；

2)、对M中的每一个点寻找D’中对应的欧式距离最近点，形成对应点对；

3)、对已有点对求其相应点对的欧式距离和作为目标函数；

4)、根据全局点云地图的点集与变换后得到的全局点云地图坐标系下的数据点集D’之间对应点，对之间的关系求出使目标函数最小条件下两个点云数据集合坐标的转换矩阵，即旋转矩阵R和平移向量T；

5)、将数据点集D’按照步骤4)中求解得到的R和T进行变换，并以此矩阵为基准回到步骤1)进行配准，直到达到预先设置的收敛条件为止。此时的R和T为采集的起重机空间点云数据的点集D到全局点云地图的点集的变换关系，即其相对位置关系。

c、以当前位置为激光雷达对应帧的全局位置，将当前帧激光雷达的位置点云加入到全局点云地图中，并更新全局点云地图。

d、重复步骤b和c，直到将采集的位置点云全部处理完毕，得到整个采集过程中集卡行径所涉及环境的全局点云地图信息。

将上述步骤中得到的全局点云地图中除去起重机外的点云地图数据，得到只包含起重机的起重机点云地图数据作为待处理点云地图数据，通过对起重机点云地图数据进行旋转平移，以起重机的某一确定位置(该坐标系将作为集卡与起重机对准时的参照系)作为起重机点云地图的坐标系原点，其坐标系映射关系如下式所示：

X＝x₀cosα-y₀sinα

Y＝x₀sinα+y₀cosα

Z＝z₀

其中，X,Y,Z分别为起重机点云地图的坐标系下的坐标位置，x₀,y₀,z₀分别为转换后全局点云地图坐标系下的坐标位置，α为坐标轴旋转的角度。

S630、对起重机点云地图数据进行特征提取，并计算起重机点云地图数据空间正态分布特征，得到起重机特征模板。

其中，计算起重机点云地图数据空间正态分布特征，包括以下步骤：

以特定尺度栅格化起重机点云地图数据所处空间；

对符合条件的空间栅格(点云数量超过特定阈值)内的点云地图数据，计算其三维正态分布参数，得到对应空间栅格的特征的参数。

综上，得到起重机点云地图数据的特征，针对不同的起重机确定其对应型号，将提取出的特征数据保存为相应的重机特征模板，可以将重机特征模板存储于对位计算机中，该重机特征模板将作为无人集卡在起重机下对准过程中的点云观测数据的匹配参照。

在无人集卡作业过程中，对位计算机将外部港口作业调度系统向无人集卡传递的目标作业信号转换为起重机特征模板下的集卡目标位置，并持续将当前精确定位装置观测的点云观测数据与存储在对位计算机中的起重机特征模板进行匹配，当无人集卡驶近特定起重机时，若精确定位装置观测的点云观测数据与对位计算机中的起重机特征模板匹配成功则开始进入集卡对位和融合的步骤。由此，得到起重机特征模板的坐标系下当前集卡的虚拟位置。其中模板匹配过程为：

a、在起重机作业过程中，对位计算机实时获取点云观测数据。

b、对位计算机将点云观测数据与起重机特征模板进行匹配，由于基于正态分布变换(NDT)的配准方法具有精度高、运算速度快的特点，可将该方法用于点云地图的匹配，得到当前集卡在起重机特征模板的坐标系下的虚拟位置。其中基于正态分布变换的步骤如下：

1)、将实时获取的点云观测数据转换为起重机坐标系下的数据点集D’；

2)、将三维的数据点集D’划分为均匀规则和固定大小的三维单元格，对每个包含一定数量的三维体单元格，计算单元格的均值和协方差矩阵：

式中，表示单元格的均值；m为划分得到的三维单元格数量；∑表示协方差矩阵；表示三维数点集中包含点的数量；k表示点的个数。

通过以上PDF参数计算每个单元格中的每个点进行正态分布建模，其的概率分布函数如下：

式中，为每个单元格中的概率分布；D表示方差；

3)、求解所有点的最优值，其目标函数为：

式中，k表示点的个数；表示概率分布；表示k时刻的状态向量。

4)、将点集空间表示为一组正态分布，形成一个分段光滑的空间表示；

5)、最后使用Hessian矩阵法对两组点集的两组正态分布概率密度值进行优化对比和匹配。

在模板数据匹配成功后，得到当前集卡在起重机特征模板的坐标系下的虚拟位置后，对位计算机中进行融合定位，通过扩展卡尔曼滤波方法将虚拟位置与对点云观测数据中的惯性信息和里程信息进行融合，将点云匹配结果滤波器的观测值更新，将惯性信息与里程信息结合集卡的运动模型作为滤波器状态预测，融合得到滤波后的起重机坐标系下的集卡实际位置；将集卡实际位置转换为与集卡目标位置之间的误差的对位结果。

具体的融合方法如下：

a、将集卡的运动方程作为EKF状态转移模型，以里程表传感器和IMU(惯性测量装置)的测量数据结合运动模型对状态进行预测，其预测状态向量为：

式中，表示为状态向量的一般形式，表示为k-1时刻的预测状态量；u_k-1为k-1时刻的控制量。

其预测协方差为：

式中，Q表示为过程激励的噪声协方差；F_k-1表示为k-1时刻的雅克比矩阵；P_K-1表示为k-1时刻的协方差矩阵；

b、以激光雷达匹配的集卡运动状态结果作为观测结果对状态进行更新，其卡尔曼增益为：

式中，表示为雅克比矩阵的转置矩阵；R_k表示为测量噪声协方差矩阵；

将更新后的状态向量表示为：

式中，z_k表示测量值；

更新后的协方差表示为：

式中，I表示为单位矩阵；K_k表示为卡尔曼增益，是滤波中间产生的结果。

假设X是一个n维的状态变量，上述公式中的H和F为雅克比矩阵，其计算方式如下：

式中，H_k和F_k-1表示雅克比矩阵。

本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (10)

1.一种基于模板匹配的港口无人集卡起重机精确对位系统，其特征在于，所述系统包括安装在集卡上的精确定位装置、对位计算机以及无人集卡控制器；

所述精确定位装置，与所述无人集卡控制器连接，用于实时采集当前集卡的点云观测数据；

所述对位计算机，与所述无人集卡控制器连接，用于基于预设的起重机特征模板与所述点云观测数据进行匹配，得到对应的起重机特征模板；获取外部港口作业调度系统向目标作业集卡发送的目标作业信号，将所述目标作业信号转换为所述起重机特征模板下的集卡目标位置；通过扩展卡尔曼滤波方法对点云观测数据和集卡目标位置进行融合定位，得到集卡实际位置与集卡目标位置之间的误差的对位结果；并将所述对位结果反馈给无人集卡控制器；

所述无人集卡控制器，用于根据所述对位结果中的集卡实际位置与集卡目标位置之间的误差将集卡与起重机进行精确对位。

2.如权利要求1所述的基于模板匹配的港口无人集卡起重机精确对位系统，其特征在于，所述精确定位装置包括激光雷达、惯性测量装置以及里程表传感器；

所述激光雷达，通过支架水平安装于集卡顶部的中间位置，与所述对位计算机连接，用于探测在当前集卡下起重机的位置点云，将所述位置点云传输至所述对位计算机；

所述惯性测量装置，设置在集卡内部，与所述对位计算机连接，用于采集当前集卡的惯性信息，将所述惯性信息传输至所述对位计算机；

所述里程表传感器，设置在集卡内部，与所述对位计算机连接，用于采集当前集卡的里程信息，将所述里程信息传输至所述对位计算机。

3.如权利要求1所述的基于模板匹配的港口无人集卡起重机精确对位系统，其特征在于，所述系统还包括外部智能码头TOS系统；

所述外部智能码头TOS系统，与每个所述对位计算机连接，用于通过TOS指令控制每个所述对位计算机运行。

4.一种基于模板匹配的港口无人集卡起重机精确对位方法，其特征在于，所述方法包括：

通过精确定位装置实时采集当前集卡的点云观测数据；

基于预设的起重机特征模板与所述点云观测数据进行匹配，得到对应的起重机特征模板和集卡在起重机特征模板下的虚拟位置；

获取外部港口作业调度系统向目标作业集卡发送的目标作业信号，将所述目标作业信号转换为所述起重机特征模板下的集卡目标位置；

通过扩展卡尔曼滤波方法对点云观测数据和集卡目标位置进行融合定位，得到集卡实际位置与集卡目标位置之间的误差的对位结果；

根据所述对位结果中的集卡实际位置与集卡目标位置之间的误差将集卡与起重机进行精确对位。

5.如权利要求4所述的基于模板匹配的港口无人集卡起重机精确对位方法，其特征在于，所述通过精确定位装置实时采集当前集卡的点云观测数据，包括：

通过精确定位装置中的激光雷达、惯性测量装置以及里程表传感器实时采集当前集卡的点云观测数据。

6.如权利要求4所述的基于模板匹配的港口无人集卡起重机精确对位方法，其特征在于，所述通过扩展卡尔曼滤波方法对点云观测数据和集卡目标位置进行融合定位，得到集卡实际位置与集卡目标位置之间的误差的对位结果，包括：

通过扩展卡尔曼滤波方法将虚拟位置与对点云观测数据中的惯性信息和里程信息进行融合，将点云匹配结果滤波器的观测值更新，将惯性信息与里程信息结合集卡的运动模型作为滤波器状态预测，融合得到滤波后的起重机坐标系下的集卡实际位置；

将所述集卡实际位置转换为与集卡目标位置之间的误差的对位结果。

7.如权利要求4所述的基于模板匹配的港口无人集卡起重机精确对位方法，其特征在于，还包括预先设置起重机特征模板；具体的包括：

通过所述精确定位装置采集在集卡在沿预设作业路线运行过程中的起重机空间点云数据；

利用迭代最近点算法对起重机空间点云数据进行离线配准，构建采集过程中集卡行径所涉及环境的全局点云地图信息；并对所述全局点云地图信息进行剔除，得到只包含起重机的起重机点云地图数据；通过对起重机点云地图数据进行旋转平移，构建起重机坐标系的相关关系；

对所述起重机点云地图数据进行特征提取，并计算所述起重机点云地图数据空间正态分布特征，得到起重机特征模板。

8.如权利要求7所述的基于模板匹配的港口无人集卡起重机精确对位方法，其特征在于，所述方法还包括；

在得到起重机特征模板后，将所述起重机特征模板存储至对位计算机。

9.如权利要求7所述的基于模板匹配的港口无人集卡起重机精确对位方法，其特征在于，所述利用迭代最近点算法对起重机空间点云数据进行离线配准，构建采集过程中集卡行径所涉及环境的全局点云地图信息，包括：

a、以集卡的起始位置为坐标系原点，将所述精确定位装置中激光雷达采集的第一帧位置点云添加到当前坐标系内，作为全局点云地图初始；

b、将激光雷达的后续观测帧利用ICP配准与全局点云地图进行配准，得到与已建立的全局点云地图之间的相对位置关系；

c、以当前位置为激光雷达对应帧的全局位置，将当前帧激光雷达的位置点云加入到全局点云地图中，并更新全局点云地图；

d、重复步骤b和c，直到将采集的位置点云全部处理完毕，得到整个采集过程中集卡行径所涉及环境的全局点云地图信息。

10.如权利要求9所述的基于模板匹配的港口无人集卡起重机精确对位方法，其特征在于，所述计算所述起重机点云地图数据空间正态分布特征，包括：

以特定尺度栅格化起重机点云地图数据所处空间；

对符合条件的空间栅格内的点云地图数据，计算其三维正态分布参数，得到对应空间栅格的特征的参数。